• <menuitem id="edugg"><ins id="edugg"><delect id="edugg"></delect></ins></menuitem> <progress id="edugg"></progress>

      <samp id="edugg"><ins id="edugg"></ins></samp>
      <samp id="edugg"></samp>
        <menuitem id="edugg"></menuitem>
        <dl id="edugg"></dl>

        地面站Ka頻段G/T值測量方法研究

        地面站Ka頻段G/T值測量方法研究[模擬設計][工業自動化]

        航天測控地面站的系統品質因數(G/T值)測量一般采用對塔測量、對射電星測量及對同步衛星測量等方法。目前國內大部分用于接收低軌衛星Ka頻段寬帶數據的12 m口徑地面站均無法采用常規方法進行G/T值測量，同時傳統的計算公式在Ka頻段也無法滿足G/T值測量精度的要求。針對該問題，提出了利用無人機在滿足遠場和仰角條件下的測試方法，給出了待誤差修正的計算公式，對該方法下的大氣損耗、無人機定位精度、信標功率修正及指向精度等影響因素進行了分析和計算，在試驗場進行了對比試驗，證明利用該方法測量Ka頻段的G/T值可行且精度滿足要求，解決了目前大部分地面站Ka頻段G/T值無法準確測量的問題。

        發表于：2022/8/9 14:41:59

        星敏感器DC-DC浪涌抑制電路的EMC分析設計

        星敏感器DC-DC浪涌抑制電路的EMC分析設計[模擬設計][工業自動化]

        對某型號星敏感器的浪涌抑制電路作了簡要介紹，針對現有浪涌抑制電路設計方法提出了一種電路性能最佳的元器件參數分析計算方法。從電路功能的穩定實現和電路的電磁兼容性兩個方面入手，分析了浪涌抑制電路中關鍵器件的選型分析，并通過理論分析和試驗仿真驗證，證明了文中提出的兼容性分析思路所得出的器件選型在給定的設計條件下具有有效性和正確性，同時為其他分系統的浪涌抑制設計提供參考，從而提高整個星上電子設備的可靠性。

        發表于：2022/8/9 14:37:28

        軟件無線電架構的導航接收機模擬前端設計

        軟件無線電架構的導航接收機模擬前端設計[模擬設計][工業自動化]

        針對基于超外差或低中頻的傳統導航接收機模擬前端電路功能復雜、功耗高、不利于單片集成等問題，基于模擬最小化，數字最大化的思想，通過芯片內部集成高增益射頻放大器、低功耗的高速模數轉換器、低抖動的時鐘鎖相環，創新性地設計并實現了一款基于軟件無線電架構的接收機模擬前端電路。通過55 nm CMOS 工藝電路設計、版圖設計、仿真及硅流片驗證，測試結果表明該接收機前端電路各模塊功能正常，實現了單個模擬接收通道處理多模導航信號，極大地降低了模擬電路的規模及功耗并成功應用于一款多模導航SoC芯片中。

        發表于：2022/8/9 14:33:15

        基于電壓比較器的固態功率控制器驅動保護電路研究

        基于電壓比較器的固態功率控制器驅動保護電路研究[模擬設計][工業自動化]

        研究了基于電壓比較器的固態功率控制器驅動保護技術原理，設計了降柵壓保護電路。通過設置降柵壓保護電路的輸出電壓值和電壓上升/下降的速度，實現了對MOSFET柵極電壓的控制和對負載在過流或短路時的及時保護功能。解決了現有技術中使用穩壓二極管判斷過流門限電壓，導致對MOSFET柵極電壓的控制精度不高和受保護MOSFET在一個時延內反復開通/關斷的問題。經過電路分析和仿真實驗，結果表明降柵壓保護電路可以在45 μs內對短路負載進行關斷保護。

        發表于：2022/8/9 14:28:53

        基于諧波分量與有效值的神經網絡負荷分解

        基于諧波分量與有效值的神經網絡負荷分解[模擬設計][工業自動化]

        非侵入式負荷分解可以從主表電流變化信息中分解出各個用電器的用電信息，方便為用電戶提供更精細化、有針對性的用電管理和調度服務。當前利用一維卷積的非侵入式負荷分解算法存在分解準確率不高、新增用戶用電器需要重新訓練、復雜度較高的問題?；诖?，利用電流有效值和傅里葉變換后的諧波分量信息，提出一種基于一維卷積神經網絡的負荷分解算法，利用相似性對比分解出各個用電器電流信息，解決了新增用戶或用電器需要重新訓練的問題。經實驗發現，所提出的方法還可以在一定程度上提高負荷分解的準確率，且復雜度較低。

        發表于：2022/8/9 14:22:07

        基于雙注意力和多區域檢測的細粒度圖像分類

        基于雙注意力和多區域檢測的細粒度圖像分類[模擬設計][工業自動化]

        有效地檢測具有辨別性的局部區域和更準確地提取圖像的細粒度特征有助于提高細粒度圖像的分類效果。為此，提出了一種結合雙注意力機制和多區域檢測的細粒度圖像分類方法。多區域檢測旨在通過類別標簽學習定位到具有辨別性的圖像區域，然后通過特征提取網絡提取辨別性局部區域的特征并與全局特征相融合。同樣，更精確的特征提取網絡能夠提取圖像細粒度的特征。因此，通過將雙注意力機制和多區域檢測相結合，所提出的方法在3個公開的細粒度圖像數據集CUB-200-2011、StanfordCars和FGVC Aircraft上分別達到了88.3%、94.5%和92.3%的準確率。

        發表于：2022/8/9 14:17:20

        基于空間深度置信網絡的風速預測優化方法

        基于空間深度置信網絡的風速預測優化方法[模擬設計][工業自動化]

        風能是目前應用最為廣泛、技術最為成熟的可再生能源。為了保證風電場的穩定和安全運行，風速的準確預測至關重要。除傳統的數值天氣預報以外，機器學習技術已經廣泛應用于不同時間尺度的風速預測。然而這些工作大多局限于單一地點的風速序列分析，沒有考慮和利用風速的空間相關性。對此，使用深度置信網絡(Deep Belief Network，DBN)對同一區域內多個地點的風速序列進行空間相關性特征識別。在訓練過程中，深度置信網絡充分挖掘了該區域內歷史風速的聯合分布，借此改善未來的風速預測。多組風速預測實驗表明，空間深度置信網絡能夠有效降低風速的預測誤差，經過空間深度置信網絡重構后的風速預測誤差平均降低了0.4 m/s。

        發表于：2022/8/9 14:12:58

        基于Flutter開發框架的數據存儲訪問機制研究

        基于Flutter開發框架的數據存儲訪問機制研究[模擬設計][工業自動化]

        移動端應用程序需要存儲與訪問的數據越來越多，而移動端設備的存儲空間有限，很難滿足用戶需要，在進行移動端應用程序開發時，選擇合適、高效的數據存儲與訪問機制受到普遍關注。針對Google推出的Flutter跨平臺移動開發框架提供的key-value鍵值對、File文件、SQLite數據庫和網絡4種數據存儲訪問機制，深入闡述了它們的內在工作原理，給出了具體實現方法和實現代碼。最后，根據4種數據存儲訪問機制各自的特點和實際的應用程序開發需求，分析了每種機制的應用場景。

        發表于：2022/8/9 14:08:51

        基于虛實交互場景的綜合演訓平臺研究與實現

        基于虛實交互場景的綜合演訓平臺研究與實現[模擬設計][工業自動化]

        近年來隨著現場科學技術的迅速發展并廣泛應用于軍事領域，相關業務訓練必將進行相應的改革，對專業知識化、新技術平臺化、系統集成化等應用領域的要求亦將大大提高。由于訓練內容日益增加，出現了訓練內容加大及訓練難度強化的必然趨勢。實際場景下，由于受場地、設備、器械等原因無法開展相關業務的訓練及全過程全要素的演練，故需要采用全新的科學技術手段，通過虛擬與實際相結合、演訓與考核相結合等不斷改革專業訓練方法。通過虛實交互技術使訓練方式的操作靈活性、便利性及易用性顯而易見，也為新技術新設備的研發測試帶來更安全更可靠的技術支撐。本演訓平臺充分運用模擬訓練部署、模擬業務部署等方式通過網絡、控制、仿真、光電等技術實現軍事業務訓練演練全過程要素應用，實現規范訓練內容、提高訓練質量、強化訓練效果、衡量訓練水平及檢驗訓練成果等目的。

        發表于：2022/8/9 14:03:16

        GFDM中基于高階長短時記憶神經網絡的自適應均衡器

        GFDM中基于高階長短時記憶神經網絡的自適應均衡器[模擬設計][工業自動化]

        在廣義頻分復用系統(GFDM)中，為解決5G網絡下車載移動通信在Sub-6 GHz頻段信道中信號嚴重失真的問題，提出一種基于高階長短時記憶神經網絡(HO-LSTM)結構的自適應均衡器。HO-LSTM自適應均衡器在傳統高階前饋神經網絡(HO-FNN)的基礎上，采用復雜度更低的廣義記憶多項式模型(GMP)代替Volterra模型，并引入LSTM神經網絡使其更適用于復雜非線性模型的預測。結果表明，相比于傳統HO-FNN均衡器和LSTM均衡器，所提出的HO-LSTM均衡器的均衡效果顯著提升，系統性能也得到進一步改善。

        發表于：2022/8/9 13:40:40

        国产野外无码激情理论片

        1. <menuitem id="edugg"><ins id="edugg"><delect id="edugg"></delect></ins></menuitem> <progress id="edugg"></progress>

          <samp id="edugg"><ins id="edugg"></ins></samp>
          <samp id="edugg"></samp>
            <menuitem id="edugg"></menuitem>
            <dl id="edugg"></dl>